AI

This paper introduces SaySelf, a novel framework designed to address the limitations of Large Language Models (LLMs) in expressing confidence and acknowledging uncertainty. The key contributions and findings are: Problem: LLMs often generate inaccurate information (hallucination) and struggle to convey their confidence levels, limiting their reliability and trustworthiness. Proposed Solution: SaySelf SaySelf is a two-stage … Read more

大型语言模型 (LLM) 如 Llama，凭借其强大的文本生成能力，在聊天机器人、机器翻译、代码生成等领域掀起了一场技术革命。而这卓越性能的背后，离不开精心设计的训练过程，其中损失函数扮演着至关重要的角色，它引导着模型不断优化，最终达到令人惊叹的效果。 1. 损失函数：指引模型学习的方向 试想一下，训练 LLM 就像教孩子学习写作。我们会给孩子看大量的文章，并告诉他们哪些写得好，哪些写得不好，以及如何改进。在这个过程中，评价文章好坏的标准就是损失函数。 对于 LLM 来说，损失函数的目标是衡量模型预测的文本序列与真实文本序列之间的差异。损失函数的值越小，说明模型预测得越准确，反之则说明模型需要进一步调整。 2. Llama 的利器：交叉熵损失函数 Llama 主要使用交叉熵损失函数 (Cross-Entropy Loss) 进行训练。 2.1 交叉熵：信息论与概率的邂逅 交叉熵的概念源于信息论，用于衡量两个概率分布之间的差异。在 LLM 中，这两个概率分布分别代表： 2.2 以公式阐述本质 假设我们要预测一句话的下一个词，模型预测的概率分布为 [0.1, 0.2, 0.3, 0.4]，而真实概率分布为 [0, 0, 1, 0]，这意味着真实的下一个词是第四个词。交叉熵损失函数的计算公式如下： 可以看出，交叉熵损失函数鼓励模型预测的概率分布尽可能接近真实概率分布。 3. 优化算法：雕琢模型的利器 仅仅定义损失函数还不够，还需要选择合适的优化算法来最小化损失函数。Llama 通常使用** Adam 优化器**，它结合了 Momentum 和 RMSprop 两种优化算法的优点，能够高效地更新模型参数，使其朝着损失函数减小的方向调整。 4. 总结 损失函数是 LLM 训练的核心，它引导着模型学习语言的规律，最终生成流畅自然的文本。Llama 使用交叉熵损失函数和 Adam 优化器，在海量文本数据上进行训练，最终成就了其强大的文本生成能力。 … Read more

在训练语言模型（如LLaMA）时，损失函数（Loss Function）的选择和制定非常重要。损失函数用于衡量模型的预测与实际目标之间的差异，并指导模型参数的更新，以提高模型的性能。对于语言模型，通常使用交叉熵损失函数（Cross Entropy Loss），但具体的实现可以根据不同的任务和需求进行调整。 以下是制定损失函数的一般步骤和考虑因素： 示例代码 下面是一个简化的示例代码片段，展示了如何在训练循环中计算交叉熵损失： 上述步骤和示例代码展示了如何在语言模型（如LLaMA）的训练过程中制定和计算损失函数。接下来，我们可以进一步优化和扩展这个流程，考虑更多实际训练中的细节。 进一步优化和扩展 总结 在训练语言模型（如LLaMA）时，制定损失函数的关键步骤包括选择适当的损失函数（通常为交叉熵损失），确保输入和输出形状匹配，考虑掩码来处理填充部分，以及使用优化器和反向传播来更新模型参数。进一步优化可以包括梯度裁剪、学习率调度器和有效的批量处理等方法。 通过这些步骤和优化技巧，可以有效地训练语言模型，使其在语言生成任务中表现出色。

引言 在人工智能的世界里，语言模型（LLMs）如同一颗颗璀璨的明珠，它们通过深度学习技术，能够理解、生成和处理自然语言。然而，如何让这些模型更贴近人类的思维和偏好，一直是研究者们追求的目标。近期，一种名为“直接策略优化”（Direct Policy Optimization, DPO）的方法引起了广泛关注，它通过简化的训练流程，试图让语言模型更懂人心。但DPO方法也存在不足，它没有充分考虑正面和负面反馈的相对质量，可能导致次优的训练结果。为了解决这一问题，研究者们提出了一种新的方法——自我精炼。 什么是自我精炼？ 自我精炼是一种利用语言模型内部知识来评估和提升模型性能的技术。它通过设计一种精细化的函数，来估计正面和负面响应的质量。这种方法不需要额外的标注数据，而是依靠模型自身的能力来进行自我提升。 从DPO到自我精炼 DPO方法通过直接优化策略来提高模型性能，但它并没有区分不同响应的相对质量。自我精炼方法通过引入一个调整函数，来优化DPO的损失函数，使其能够更好地区分正面和负面响应。 实验验证 研究者们在多个评估者上进行了实验，结果表明自我精炼方法能够有效提升模型性能。无论是在多轮对话还是在单轮对话中，自我精炼的模型都展现出了优越的表现。 自我精炼的实践应用 写作助手 想象一下，你正在撰写一篇关于自然选择的文章。使用自我精炼的语言模型，可以生成更加详尽和准确的内容，比如解释自然选择如何促进物种的进化和适应。 客户服务 在客户服务领域，自我精炼的语言模型可以帮助快速生成诚恳且具有说服力的道歉信，向客户解释订单延迟的原因，并保证问题已得到解决。 探索世界 自我精炼的语言模型也能提供有趣的信息，比如解释为什么有人会选择使用纸质地图而不是依赖GPS设备，或者解释地球上每天发生的闪电次数。 结论 自我精炼方法通过利用语言模型的内在知识，提升了模型对人类偏好的对齐能力。这一方法不仅能够提高模型的性能，还能够减少训练时间和资源消耗。随着技术的不断进步，我们有理由相信，未来的语言模型将更加智能，更能够理解并满足我们的需求。 Q: 这篇论文试图解决什么问题？ A: 这篇论文探讨了如何通过直接策略优化（Direct Policy Optimization, DPO）改进大型语言模型（Large Language Models, LLMs）的行为与人类偏好的一致性。DPO是一种替代传统基于强化学习的人类反馈（Reinforcement Learning from Human Feedback, RLHF）的方法，它避免了额外训练和存储奖励模型的需要。然而，DPO并没有考虑正面和负面响应的相对质量，可能导致次优的训练结果。为了解决这个问题，论文提出了一种利用LLMs内部知识来评估响应质量并帮助优化损失函数的方法。具体来说，论文的主要贡献包括： 实验结果表明，所提出的自精细化方法能够改进经过微调的模型的性能，与DPO和IPO相比有所提高。 Q: 有哪些相关研究？ A: 在这篇论文中，提到了若干与直接策略优化（DPO）和强化学习从人类反馈（RLHF）相关的研究。以下是一些主要的相关研究： 这些研究为本文提出的自精细化方法提供了理论基础和实验背景。通过结合这些现有研究的成果，本文的方法旨在提高LLMs的训练效果，使其更好地符合人类的偏好和期望。 Q: 论文如何解决这个问题？ A: 论文通过以下几个步骤解决大型语言模型（LLMs）与人类偏好对齐的问题： 通过这些步骤，论文展示了如何通过利用LLM的内在知识来提高模型对人类偏好的对齐程度，从而解决DPO方法在考虑正面和负面响应相对质量方面的不足。 Q: 论文做了哪些实验？ A: 论文中进行了以下实验来验证所提出方法的有效性： 通过这些实验，论文证明了所提出的自精细化方法在多个方面改进了现有直接对齐方法的性能，并且在不同数据集和评估者上都表现出了鲁棒性。 Q: 有什么可以进一步探索的点？ A: 尽管这篇论文提出了一种有效的自我精细化方法来改进大型语言模型（LLMs）的对齐，但仍有一些潜在的研究方向可以进一步探索： … Read more

引言：语言模型的新突破 在人工智能领域，语言模型的能力一直在不断进化。最近，一项引人注目的研究表明，通过在代码上预训练语言模型，能够显著提升模型对自然语言中实体状态变化的追踪能力。这项研究不仅为我们揭示了语言模型的新潜力，也为未来的智能应用提供了新的思路。 实验探索：代码与数学的双重奏 研究者们通过一系列系统实验，比较了在基础模型上进一步训练的模型，这些模型除了基础数据外，还额外训练了大量的代码数据。实验结果表明，经过代码训练的模型在实体追踪任务上的表现明显优于基础模型。与此同时，研究者们也探讨了数学训练和对齐调整（alignment tuning）对模型性能的影响，但发现这两种方法并没有带来一致的性能提升。 实体追踪的重要性 实体追踪是理解长文本和进行规划等关键能力的重要组成部分。例如，在解析一个食谱时，智能体需要追踪不同实体（如食材）的变化。以往的研究表明，一些基于Transformer的大型语言模型（如GPT-3.5）展现出了非平凡的实体追踪能力，而GPT-3等模型则似乎缺乏这种能力。 代码训练的魔力 代码训练为何能提升实体追踪能力呢？研究者们推测，这可能是因为在编写代码时，正确地追踪变量的状态非常重要。这种程序化的输入可能比纯自然语言文本提供了更强的训练信号。通过实验，研究者们发现，即使是较小的模型，经过代码训练后，在处理影响盒子状态的操作数量较少的情况下，性能也有了显著提升。 数学训练与对齐调整的探索 尽管代码训练表现出色，但数学训练和对齐调整的效果则不那么明显。数学训练可能在某些情况下提供边际效益，但并不一致。对齐调整则根据不同的模型和训练方式表现出不同的效果，有时甚至不如未调整的模型。 结论与未来展望 这项研究为理解如何通过代码预训练提升语言模型的性能提供了新的视角。未来的研究将进一步探索代码训练是如何赋予模型实体追踪和其他推理能力的。随着技术的不断进步，我们有理由相信，语言模型将变得更加智能，更好地服务于人类。 参考文献 Q: 这篇论文试图解决什么问题？ A: 这篇论文探讨了预训练语言模型时加入代码数据是否能提升模型追踪话语实体状态变化的能力。具体来说，论文的主要目标是系统性地测试以下假设： 通过这些实验，论文发现，与基础模型相比，额外经过大量代码训练的模型在实体追踪任务上表现更好。然而，数学训练和对齐调整并没有在各种模型家族中显示出一致的益处。 Q: 有哪些相关研究？ A: 论文中提到了以下相关研究，它们探讨了将代码包含在预训练数据中对大型语言模型（LLMs）的影响： 这些研究为本文提出的假设提供了背景和支持，即代码预训练可能对提高语言模型在实体追踪等推理任务上的表现有积极影响。 Q: 论文如何解决这个问题？ A: 论文通过以下步骤解决提出的问题： 通过这些步骤，论文提供了对代码预训练、数学训练和对齐调整对语言模型实体追踪能力影响的系统性评估。 Q: 论文做了哪些实验？ A: 论文中进行了三个主要实验来评估代码预训练、数学训练和对齐调整对语言模型实体追踪能力的影响。以下是每个实验的概述： 实验1：代码预训练的影响 实验2：数学预训练的影响 实验3：对齐调整的影响 每个实验都使用了“盒子任务”来评估模型的实体追踪能力，该任务要求模型根据对盒子内容的描述和随后的状态改变操作来报告每个盒子的内容。实验结果被细分为针对目标盒子的操作数量，以区分需要追踪状态变化的非平凡案例和简单的复制初始状态描述的平凡案例。 Q: 有什么可以进一步探索的点？ A: 论文在讨论部分提出了一些未来研究的方向，以下是可以进一步探索的关键点： 这些探索点可以帮助研究者更深入地理解语言模型的能力和局限性，并推动自然语言处理领域的进一步发展。 Q: 总结一下论文的主要内容 A: 这篇论文的主要内容可以总结如下： 整体而言，这篇论文提供了对代码预训练、数学训练和对齐调整对语言模型实体追踪能力影响的系统性评估，并为未来的研究方向提供了指导。

在现实生活中，我们常常需要将商业文档中的信息转化为结构化的格式，以便后续的系统能够解析和使用。这个过程被称为商业文档信息提取（Business Document Information Extraction，简称BDIE）。BDIE主要包括两个任务：关键信息提取（Key-Information Extraction，简称KIE）和行项目识别（Line Items Recognition，简称LIR）。本文将介绍一种全新的方法，即”检索增强结构化生成”（Retrieval Augmented Structured Generation，简称RASG），用于解决BDIE问题，并在相关基准测试中取得了最先进的成果。 什么是商业文档信息提取？ 商业文档信息提取是将非结构化信息（如原始文本、扫描文档等）转化为结构化格式的过程，使其可以被后续的系统解析和使用。其中，关键信息提取的目标是将文档中的信息提取出来，并按照键值对的形式进行格式化。而行项目识别的目标是将信息提取为一系列行项目，其中每个行项目对应表格中的一行，并以列键值对的形式进行格式化。与表格结构识别不同的是，行项目识别不关注列的顺序，只要能够正确地将列映射到预定义的列键即可。 检索增强结构化生成 检索增强结构化生成（RASG）是一种由四个组件组成的方法：检索增强生成（Retrieval Augmented Generation）、监督微调（Supervised Finetuning）、结构化生成（Structured Generation）和结构化提示（Structured Prompting）。这些技术可以提高机器学习模型使用工具的能力，从而改善BDIE任务的性能。 RASG的四个组件是相互关联的： 这四个组件在使用开源的7B大型语言模型（LLM）Hermes 2 Pro – Mistral 7B上可以取得最先进的BDIE结果。然而，在使用GPT-3.5模型时，只需要其中的一个子集即可。 监督微调中的注意事项 监督微调的目标是使语言模型既能输出正确的内容，又能输出正确的结构。为了确保模型输出的结果可以被后续系统解析，我们需要将无效标记的概率置零。然而，简单地将监督微调和结构化生成相结合往往会导致结果不佳。主要存在以下两个问题： 边界框反向计算的启发式算法 对于关键信息提取任务，我们发现一个简单的贪婪算法（算法1）就足以用于边界框的反向计算。如果要使用整个页面，可以将下边界和上边界分别设置为0和页面的高度（以像素为单位）。对于行项目识别任务，一个好的启发式算法是：（1）将页面在垂直方向上划分为多个块，每个块对应一个行项目；（2）使用上述算法1为每个行项目的分配的单词块中的单词反向计算边界框。挑战在于如何划分页面。 算法1：边界框反向计算的启发式算法 这种方法的时间复杂度为O(MN^2 * Algo1)，其中M是行项目的数量，N是页面的高度。我们可以通过降低页面的规模来优化这个复杂度。在实际生产中，我们使用N=128。此外，我们利用算法1的单调性进行优化：匹配分数随着上边界的增加和下边界的减小而不增加。因此，我们可以使用分治优化来加速计算，将复杂度优化为O(MNlogN * Algo1)。最后，我们使用二分搜索来找到第一个行项目的最大下边界和最后一个行项目的最小上边界，以缩小边界范围。 通用行项目识别度量 行项目识别的目标是将信息提取为有序的行项目列表，其中每个行项目对应表格中的一行，并以列键值对的形式进行格式化。为了评估行项目识别的性能，我们需要一个具备以下属性的度量方法： 目前存在的行项目识别度量方法中，ANLS*和DocILE使用基于最大权重二分图匹配的算法进行行匹配，因此不满足属性#6。此外，DocILE支持单元格内容和单元格位置的识别，但无法隔离这两个方面，这使得它无法用于只进行单元格内容或单元格位置识别的任务。GriTS满足上述所有属性，但不满足属性#7。 在接下来的部分，我们将介绍一种新的度量方法，称为通用行项目识别度量（General Line Items Recognition Metric，简称GLIRM），它满足上述所有属性。GLIRM可以看作是ANLS*和DocILE的扩展，使其满足属性#1和属性#6，同时也是GriTS的一种推广，使其满足属性#7。 GLIRM中的相似度匹配分数 根据属性#1和属性#4，我们将使用𝑓(𝑐ₚ, 𝑐ₜ)表示预测单元格𝑐ₚ和真实单元格𝑐ₜ之间的相似度度量。𝑓可以是适用于特定下游任务的任何相似度度量方式，如产品参考编号的精确匹配、边界框的交并比等。为了使度量方法类似于F1得分，我们需要将𝑓限制在0到1之间：0 ≤ 𝑓(𝑐ₚ, 𝑐ₜ) ≤ 1，对于所有𝑐ₚ, 𝑐ₜ。我们将使用𝑔𝑓(𝑟ₚ, 𝑟ₜ)表示预测行𝑟ₚ和真实行𝑟ₜ中对应单元格的相似度分数之和。 行匹配 … Read more

在当今数字化的商业环境中，如何高效地从海量的非结构化信息中提取有用的数据，已经成为了企业面临的重要挑战。商业文档信息提取（BDIE）应运而生，旨在将如原始文本、扫描文件等非结构化信息转化为结构化格式，以便下游系统解析和使用。本文将深入探讨一种创新的框架——检索增强结构生成（RASG），以及它如何在BDIE领域取得突破性成果。 什么是商业文档信息提取？ 商业文档信息提取（BDIE）主要包括两个关键任务： 这些任务的核心目标是将复杂的、混杂的信息以一种可以被机器理解和处理的方式结构化。 检索增强结构生成（RASG）框架 RASG 的核心组件 新的评价指标 为了更好地评估行项识别任务，作者提出了一种新的指标：通用行项识别指标（GLIRM）。相比现有的指标（如ANLS*、DocILE和GriTS），GLIRM更贴近实际的BDIE应用场景。 算法创新 RASG 还提供了一种启发式算法，用于在无需视觉编码器的情况下反向计算预测的行项和表格的边界框。 实验与验证 数据集与模型 消融研究 通过消融研究，评估了RASG组件（检索增强生成、监督微调、结构提示）对模型性能的影响。 检索机制 使用小波哈希的曼哈顿距离测量页面相似性，以优化检索机制。 现实应用中的优势 在实际应用中，结合RASG的LLM往往比传统的多模态模型（LMM）表现更为出色。无论是在提取准确性还是处理速度上，RASG框架都展示了其优越性。 例如，使用RASG框架的GPT-3.5能够在处理复杂的发票信息提取任务时，迅速准确地识别出关键的发票号、金额和日期等信息，而无需借助额外的视觉处理工具。这种高效的处理能力不仅节省了人力成本，还大大提高了数据处理的准确性和可靠性。 结论与展望 检索增强结构生成（RASG）框架为商业文档信息提取带来了革命性的变化。通过结合先进的检索机制、结构生成和监督微调技术，RASG不仅在多个基准测试中取得了领先的成绩，还展示了其在实际应用中的巨大潜力。随着技术的不断进步，BDIE领域必将迎来更多创新和突破，为企业的信息处理和决策提供更强大的支持。 通过对这些前沿技术的研究和应用，我们有理由相信，未来的商业文档信息提取将变得更加智能和高效

近年来,大型语言模型(Large Language Models, LLMs)在自然语言处理领域取得了巨大成功,并在多个领域得到广泛应用。然而,随之而来的安全性问题,特别是LLMs在面对精心设计的”越狱”(jailbreaking)攻击时表现出的脆弱性,引起了研究者和从业者的高度重视。 最近,一篇题为”Don’t Say No: Jailbreaking LLM by Suppressing Refusal”的论文提出了一种新的越狱攻击方法DSN(Don’t Say No),旨在促使LLMs生成肯定的响应,并创新性地增加了抑制拒绝的目标。同时,论文还提出了一个集成评估流程,以更准确地评估攻击的有害性。本文将深入探讨DSN攻击方法的原理、实验结果及其潜在影响。 越狱攻击:安全性的重要挑战 LLMs在识别和避免有害查询方面表现出色,但仍容易受到精心设计的越狱攻击的影响。这些攻击通过精心构造的提示诱导LLMs生成有毒内容,从而使其偏离预期的安全对齐。 现有的越狱攻击方法,如GCG(Generate Confirmed Guesses)攻击,尽管在某些情况下能够成功,但其攻击成功率有限。此外,评估攻击效果也存在挑战,因为很难直接准确地评估攻击的有害性。目前广泛使用的评估方法,如拒绝关键词匹配,存在大量误报和漏报的问题。 DSN攻击:抑制拒绝,提高攻击成功率 为了更好地研究越狱攻击,论文提出了DSN攻击方法。与传统攻击不同,DSN不仅旨在生成肯定的响应,还创新性地增加了抑制拒绝的目标。 具体而言,DSN在损失函数中加入了一个增强项,用于指导LLM的响应远离预定义的拒绝关键词或字符串。为了稳定两个相反目标(生成肯定响应和抑制拒绝)的优化过程,论文采用了Unlikelihood损失来抑制拒绝响应。 通过一系列实验,论文展示了DSN攻击方法在平均和最优结果上都显著优于基线方法GCG。此外,论文还通过调节DSN中的超参数α,研究了拒绝损失项对越狱结果的影响。 集成评估流程:更准确地评估攻击效果 为了克服现有评估方法的局限性,论文提出了一个包含三个模块的集成评估流程:自然语言推理(NLI)矛盾评估、两个第三方LLM评估器(GPT-4和HarmBench)。 通过人工注释300个生成的响应,论文展示了集成评估流程在准确性和可靠性方面优于传统的拒绝匹配方法。论文还比较了不同的聚合策略(如多数投票、单票批准和单票否决)在测试集上的性能。 此外,论文还在新的评估流程下展示了DSN攻击在不同超参数设置下的最大攻击成功率,并分析了DSN攻击在不同受害者模型、评估指标和数据集分割下的转移性。 贡献总结与未来展望 这项研究的主要贡献在于提出了一种新的攻击方法DSN和一个集成评估流程,并通过广泛的实验验证了其有效性。这为提高LLMs的安全性提供了新的视角和方法。 同时,论文也讨论了其方法的局限性,并提出了未来研究的方向,包括: 总之,这项研究为理解和提高LLMs的安全性提供了宝贵的见解,推动了AI系统的安全发展。随着研究的深入,我们有望开发出更加安全、可靠的大型语言模型,造福社会。

Instruction Matters, a Simple yet Effective Task Selection Approach in Instruction Tuning for Specific Tasks https://papers.cool/arxiv/2404.16418 Authors: Changho Lee ; Janghoon Han ; Seonghyeon Ye ; Stanley Jungkyu Choi ; Honglak Lee ; Kyunghoon Bae Summary: Instruction tuning has shown its ability to not only enhance zero-shot generalization across various tasks but also its effectiveness in improving … Read more